为慢查询添加合适的索引是提高查询性能的一个有效方法,主要通过数据库管理员等技术人员的专家经验手动选择,或者由基于规则、代价、学习等算法自动推荐索引。无论是哪种方法,都没有考虑到在索引上线到真实业务系统前对其进行评估,其有效性和安全性难以得到保障。这是因为关系数据库一般以代价模型作为执行计划选择的主要依据,而其只是将各类预定义的操作粗鲁地代价化,同时查询优化器获得的统计信息由于数据变更、数据倾斜等因素不一定准确。以上原因共同导致“理论上优秀的索引”在实际执行中对查询的优化效果是未知的,无用的索引会给数据库带来额外的更新和存储开销,更严重的还会导致此查询或其他关联查询的性能进一步退化,这在生产环境中是非常危险的。作为索引推荐的后续,索引评估是对索引上线至生产环境前进行效果验证,也是帮助实现索引优化慢查询全流程自动化的关键步骤之一。索引评估需要在不同索引配置下获取查询实际执行信息,因此依赖一个线下的测试环境,为保证基于测试环境的评估结果与索引上线后在生产环境的表现一致,如选择相同的执行计划,根据查询优化器的设计特点,测试环境需要与线上有相对一致的数据分布和足够的数据量,如何准确并高效的产生测试环境是索引评估的重点。此外索引推荐面向单条查询或工作负载,对于两种不同的评估目标,如何设计合理的评估指标以在约束条件内选出一组最优的索引集也是评估工作要解决的问题之一。因此本文提出了一种面向慢查询优化的索引评估方法,对人工或算法给出的推荐索引,基于随机抽样和数据模拟两种方法准确并高效地自动生成测试环境,对单条查询或工作负载的推荐索引进行多维度的评估,验证其对查询性能的优化效果,给出置信度较高的评估索引,保证索引上线后的有效性和安全性。此外由于索引对查询的影响可以通过执行计划体现,本文对查询执行计划的输出信息进行了解析提示和可视化,使得评估索引的效果有更直观的展示。本文工作可以概括为以下几点:（1）设计了索引评估系统Index Tuner,验证推荐索引的有效性:利用随机抽样或数据模拟两种方法产生测试环境,其中随机抽样根据Inno DB数据组织形式利用块扫描思想从生产环境进行分区抽样并合并;通过更改索引同步时机、行合并、显式事务等方法提高测试环境数据导入效率;从物理和逻辑角度设计多种评估指标,对单条查询根据得分计算选择最优索引,对工作负载设计贪心算法在存储成本约束内获得使得整体性能更优的索引集。基于测试环境添加推荐索引前后的查询评估信息,最后给出索引评估结果。（2）开发了数据模拟与生成工具Data Simulator,为基于数据模拟的索引评估方法产生测试环境:为进一步减少随机抽样方法对线上数据库密集I/O和锁争用等方面的影响和网络传输的依赖,根据查询优化器选择执行计划时关注统计信息而不是具体数据内容的特点,对线上数据库设计合理的数据分布信息采集指标和采集方式,同时为My SQL不同数据类型设计对应的随机算法,在测试环境模拟生成与线上分布类似的数据,基于模拟数据进行索引评估。（3）基于EXPLAIN开发了Query Viewer,实现查询信息提示及可视化:为解决My SQL EXPLAIN功能输出信息意义不明、执行计划表示混乱等问题,帮助用户直观了解索引对查询的影响,对文本格式的查询信息中索引相关字段进行提示,将JSON格式的执行计划设计多种解析函数进行树型可视化,更为便捷的展现查询各子操作的执行顺序及信息。本文基于关系数据库My SQL以第三方工具的形式实现了上述方案和技术,并通过相关实验验证了索引评估系统Index Tuner可以利用随机抽样或数据模拟两种方法,正确且高效生成测试环境,根据其中对单条查询和工作负载的索引选择算法和评估结果,在过滤无作用或副作用推荐索引的同时,保持生产环境中推荐索引对慢查询的优化能力。此外通过实验展示了Query Viewer对查询信息提示和执行计划可视化功能,帮助用户直观了解索引对慢查询的影响和优化。